Schița de curs
ZIUA 1 - REȚELE NEURONALE ARTIFICIALE
Introducere și Structura RNN.
- Neuronii biologici și neuronii artificiali.
- Modelul unei RNN.
- Funcții de activare utilizate în RNN.
- Clase tipice de arhitecturi de rețea.
Fundamente Matematice și Mecanisme de Învățare.
- Revizuirea algebrei vectoriale și matriciale.
- Concepte de spațiu de stare.
- Concepte de optimizare.
- Învățarea prin corectarea erorilor.
- Învățarea bazată pe memorie.
- Învățarea Hebbian.
- Învățarea competitivă.
Perceptroni cu un singur strat.
- Structura și învățarea perceptronilor.
- Clasificator de modele - introducere și clasificatori Bayes.
- Perceptronul ca clasificator de modele.
- Convergența perceptronului.
- Limitările unui perceptron.
RNN cu propagare directă.
- Structuri de rețele cu mai multe straturi cu propagare directă.
- Algoritmul de propagare inversă.
- Propagarea inversă - antrenament și convergență.
- Aproximare funcțională cu propagare inversă.
- Probleme practice și de proiectare ale învățării prin propagare inversă.
Rețele cu Funcții de Bază Radială.
- Separabilitatea și interpolarea modelelor.
- Teoria Regularizării.
- Regularizarea și rețelele RBF.
- Proiectarea și antrenamentul rețelelor RBF.
- Proprietăți de aproximare ale RBF.
Învățare Competitivă și RNN Auto-organizatoare.
- Proceduri generale de grupare.
- Cuantizarea Vectorială de Învățare (LVQ).
- Algoritmi și arhitecturi de învățare competitivă.
- Hărți auto-organizatoare de caracteristici.
- Proprietăți ale hărților de caracteristici.
Rețele Neuronale Fuzzy.
- Sisteme neuro-fuzzy.
- Fundamente ale mulțimilor și logicii fuzzy.
- Proiectarea sistemelor fuzzy.
- Proiectarea RNN fuzzy.
Aplicații
- Câteva exemple de aplicații ale rețelelor neuronale, avantajele și problemele lor vor fi discutate.
ZIUA 2 - ÎNVĂȚAREA AUTOMATĂ
- Cadrul de Învățare PAC
- Garanții pentru seturi finite de ipoteze – caz consistent
- Garanții pentru seturi finite de ipoteze – caz inconsistent
- Generalități
- Scenarii deterministe vs. stocastice
- Zgomotul erorii Bayes
- Erori de estimare și aproximare
- Selecția modelelor
- Complexitatea Radmeacher și Dimensiunea VC
- Compromisul Bias - Varianță
- Regularizare
- Supraadaptare
- Validare
- Mașini cu Vectori de Suport
- Kriging (Regresie Gaussiană)
- PCA și Kernel PCA
- Hărți Auto-organizatoare (SOM)
- Spații vectoriale induse de kernel
- Kerneluri Mercer și metrici de similitudine induse de kernel
- Învățare prin Reforțare
ZIUA 3 - ÎNVĂȚAREA PROFUNDĂ
Acest subiect va fi predat în legătură cu temele acoperite în ZIUA 1 și ZIUA 2
- Regresie Logistică și Softmax
- Autoencodere Sparse
- Vectorizare, PCA și Albire
- Învățare Auto-dirijată
- Rețele Profunde
- Decodificatoare Liniare
- Convoluție și Pooling
- Codificare Sparse
- Analiza Componentelor Independente
- Analiza Canonicală de Corelație
- Demo-uri și Aplicații
Cerințe
Înțelegere solidă a matematicii.
Înțelegere solidă a statisticilor de bază.
Abilități de bază de programare nu sunt obligatorii, dar sunt recomandate.
Mărturii (2)
Lucrând pe baza principiilor de bază într-un mod concentrat, și trecerea la aplicarea studiilor de caz în aceeași zi
Maggie Webb - Department of Jobs, Regions, and Precincts
Curs - Artificial Neural Networks, Machine Learning, Deep Thinking
Tradus de catre o masina
It was very interactive and more relaxed and informal than expected. We covered lots of topics in the time and the trainer was always receptive to talking more in detail or more generally about the topics and how they were related. I feel the training has given me the tools to continue learning as opposed to it being a one off session where learning stops once you've finished which is very important given the scale and complexity of the topic.
Jonathan Blease
Curs - Artificial Neural Networks, Machine Learning, Deep Thinking
Tradus de catre o masina
